转载：PCA
sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False)-
n_components: int, float, None 或 string，PCA算法中所要保留的主成分个数，也即保留下来的特征个数，如果 n_components = 1，将把原始数据降到一维；如果赋值为string，如n_components='mle'，将自动选取特征个数，使得满足所要求的方差百分比；如果没有赋值，默认为None，特征个数不会改变（特征数据本身会改变）。
-
copy：True 或False，默认为True，即是否需要将原始训练数据复制。
-
whiten：True 或False，默认为False，即是否白化，使得每个特征具有相同的方差。
PCA对象的属性
-
explained_variance_ratio_：返回所保留各个特征的方差百分比，如果n_components没有赋值，则所有特征都会返回一个数值且解释方差之和等于1。
-
n_components_：返回所保留的特征个数。
PCA常用方法
-
fit(X): 用数据X来训练PCA模型。
-
fit_transform(X)：用X来训练PCA模型，同时返回降维后的数据。
-
inverse_transform(newData) ：将降维后的数据转换成原始数据，但可能不会完全一样，会有些许差别。
-
transform(X)：将数据X转换成降维后的数据，当模型训练好后，对于新输入的数据，也可以用transform方法来降维。